Resumen: La codificación clínica automatizada implica mapear texto no estructurado de registros de salud electrónicos (EHR) a sistemas de código estandarizados como la clasificación internacional de enfermedades (ICD). Si bien los avances recientes en el aprendizaje profundo han mejorado significativamente la precisión y eficiencia de la codificación de DAI, la falta de explicación en estos modelos sigue siendo una limitación importante, socavando la confianza y la transparencia. Las exploraciones actuales sobre la explicabilidad se basan en gran medida en las técnicas basadas en la atención y las evaluaciones cualitativas por parte de los médicos, pero carecen de una evaluación sistemática utilizando criterios consistentes en conjuntos de datos de liquidación de alta calidad, así como enfoques dedicados capacitados explícitamente para generar fundamentos para una mayor explicación. En este trabajo, realizamos una evaluación integral de la explicabilidad de los fundamentos para la codificación de DAI a través de dos lentes clave: la fidelidad que evalúa cómo las explicaciones bien reflejan el razonamiento y la plausibilidad reales del modelo que mide cuán consistentes son las explicaciones con el juicio de los expertos humanos. Para facilitar la evaluación de la plausibilidad, construimos un nuevo conjunto de datos anotado por justificación, ofreciendo anotaciones más densas con diversidad diversa y se alinea mejor con la práctica clínica actual, y realizamos una evaluación en tres tipos de razones de codificación ICD. Alentados por la prometedora plausibilidad de los fundamentos generados por LLM para la codificación de ICD, proponemos además nuevos métodos de aprendizaje de justificación para mejorar la calidad de los fundamentos generados por el modelo, donde los fundamentos producidos por la provisión de LLM con/sin ejemplos de anotación se utilizan como señales de supervisión distantes. Encontramos empíricamente que los fundamentos generados por LLM se alinean más estrechamente con los de los expertos humanos. Además, la incorporación de ejemplos anotados por humanos de pocos disparos no solo mejora aún más la generación de liquidaciones, sino que también mejora los enfoques de aprendizaje de lógica.
Publicado Originalme en export.arxiv.org El 25 de agosto de 2025.
Ver Fuente Original
